创意所有权范式
生成式AI(文本、图像、音乐、视频)大语言模型(LLM)的人机协作创意协作与反馈系统内容创作者(YouTuber、Podcaster)UI/UX 设计师AI/ML 研究员与工程师
文献标题
A Paradigm for Creative Ownership
出版信息
- 主题领域: 人工智能与人类协作中的创作所有权及人机交互(HCI)研究。
- 关键词: 创作所有权、人类与人工智能协作、生成式人工智能、人机交互、框架、创造力、心理所有权、系统设计、共创、归因。
背景与问题
- 问题/挑战: 当前关于创作所有权的研究缺乏一致的定义,常将其与相关概念混淆或未明确定义,导致研究结果难以在不同研究之间进行比较。
- 意义: 随着生成式人工智能逐渐成为创作过程的重要组成部分,理解并支持创作所有权对于促进有意义的人类与人工智能协作,以及确保创作者与其作品之间的联系至关重要。
- 动机与相关工作: 之前的研究探讨了心理所有权、创造力支持和归因等主题,但这些研究要么缺乏对创作所有权的关注,要么未提供统一的框架。本文通过提出一个针对创作环境的结构化框架来填补这一空白。
解决方案
- 提出的方法: 一个针对创作所有权的九个子维度框架,分为三个类别:个人、过程和系统,并配备一个交互式网页可视化工具。
- 创新点:
- 提出一个涵盖九个子维度的创作所有权综合框架。
- 开发一个交互式网页工具,用于引导、比较和可视化不同项目的所有权。
- 通过对21位创意专业人士的访谈对框架进行实证验证。
- 流程与关键技术:
- 通过心理学、哲学和人机交互领域的叙述性文献综述推导出框架。
- 将框架组织为三个类别:个人(体现、占有、认可)、过程(控制、意图、努力)和系统(生产、抽象、互依)。
- 通过对创意专业人士的半结构化访谈验证框架,比较他们在使用框架前后的所有权感知。
结果
- 具体发现:
- 高所有权项目在所有九个子维度上的评分均显著高于低所有权项目。
- 低所有权项目表现出更大的差异性,反映了导致所有权降低的多样化路径。
- 参与者表示框架扩展了他们对所有权的理解,并帮助他们表达之前隐性的体验。
- 相较于基线的优势:
- 该框架捕捉了比现有工具(如创造力支持指数)更广泛的所有权维度,后者主要关注创造力而非所有权。
- 引入了诸如“占有”和“生产”等未被充分探索的维度,扩展了所有权研究的分析空间。
- 实验/评估:
- 对来自不同领域的21位创意专业人士进行半结构化访谈。
- 参与者使用框架对高所有权和低所有权项目进行评分,并反思其相关性。
- 定量分析显示高所有权和低所有权案例在所有维度上的明显差异。
- 局限性与未来工作:
- 框架并非穷尽,其他分类法可能强调不同的方面。
- 参与者选择自己的项目,可能引入偏差。
- 未来工作可探索维度之间的交互关系,进行领域内研究,并评估框架在人工智能支持的创作环境中的应用。
总结
本文提出了一个针对创作所有权的九个子维度框架,并通过对21位创意专业人士的访谈进行了验证。该框架将所有权组织为个人、过程和系统维度,为理解和设计创作环境中的所有权提供了全面的词汇体系。实证研究结果表明,该框架能够区分高所有权和低所有权项目,并扩展参与者对所有权的反思。该框架对人机交互研究、系统设计和归因研究具有实际意义,帮助研究人员和设计师有意支持人类与人工智能协作中的所有权。未来工作将探索维度之间的交互关系、领域特定应用,以及人工智能工具对创作所有权的长期影响。
研究问题 / 现实痛点
这篇论文在当前问题库中对应的问题线索。
当前问题库还没有收录这篇论文的问题与痛点。
- 86%
大规模追踪日常人工智能素养讨论:在线创意社区如何理解生成式人工智能
CHI '26· 生成式AI(文本、图像、音乐、视频) +2
- 75%
网络漫画创作中的人工智能:挑战、认知与设计启示
CHI '26· 生成式AI(文本、图像、音乐、视频) +4
- 71%
偏好引导的提示优化用于文生图生成
CHI '26· 生成式AI(文本、图像、音乐、视频) +2
- 71%
人类创作者如何拥抱人机协作创作?——编剧人类主体性的视角
CHI '26· 生成式AI(文本、图像、音乐、视频) +2
- 71%
AIDED:用人类体验数据增强室内设计以实现设计师-AI协同设计
CHI '26· 生成式AI(文本、图像、音乐、视频) +2
- 71%
与生成式AI合作:模型主导和人类主导交互在人机共创中的实验评估
CHI '26· 生成式AI(文本、图像、音乐、视频) +2
- 71%
生成式AI图像工具中的交互方法:HCI与行业趋势及设计机遇综述
CHI '26· 生成式AI(文本、图像、音乐、视频) +2
- 71%
超越输入输出:通过人机协作中的类比设计重新思考创造力
CHI '26· 生成式AI(文本、图像、音乐、视频) +2
- 71%
Protosampling:通过画布驱动的视觉AI生成实现采样与原型的自由形式融合
CHI '26· 生成式AI(文本、图像、音乐、视频) +2
- 67%
PopBlends:使用大型语言模型进行概念融合的策略
CHI '23· 生成式AI(文本、图像、音乐、视频) +1
基于研究子主题与职业分类的 Jaccard 相似度(≥60%)
快捷操作
广告推荐
学习 AI 编程到 CodeNow
open_in_new打开DOI链接
DOI: https://doi.org/10.1145/3772318.3791316
一眼看懂
fact_check论文快照
dataset
来源
CHI
calendar_month
年份
2026
emoji_events
奖项
未标记奖项
group
作者
3 位作者
sell
研究子方向
生成式AI(文本、图像、音乐、视频)、大语言模型(LLM)的人机协作、创意协作与反馈系统
work
职业/产业
内容创作者(YouTuber、Podcaster)、UI/UX 设计师、AI/ML 研究员与工程师
article
内容状态
已索引正文
hub
相关论文
10 篇相关论文